Python 网络爬虫的常用库汇总(建议收藏)

Python 在编写网络爬虫常常用到的一些库。

Python爬虫网络库主要包括:urllib、requests、lxml、fake-useragent、bs4(BeautifulSoup)、grab、pycurl、urllib3、httplib2、RoboBrowser 、MechanicalSoup、mechanize、socket、Unirest for Python、hyper、PySocks、treq、aiohttp等。


请求库:实现 HTTP 请求操作

  • urllib:一系列用于操作URL的功能。
  • requests:基于 urllib 编写的,阻塞式 HTTP 请求库,发出一个请求,一直等待服务器响应后,程序才能进行下一步处理。
  • selenium:自动化测试工具。一个调用浏览器的 driver,通过这个库你可以直接调用浏览器完成某些操作,比如输入验证码。
  • aiohttp:基于 asyncio 实现的 HTTP 框架。异步操作借助于 async/await 关键字,使用异步库进行数据抓取,可以大大提高效率。

解析库:从网页中提取信息

  • beautifulsoup:html 和 XML 的解析,从网页中提取信息,同时拥有强大的API和多样解析方式。
  • pyquery:jQuery 的 Python 实现,能够以 jQuery 的语法来操作解析 HTML 文档,易用性和解析速度都很好。
  • lxml:支持HTML和XML的解析,支持XPath解析方式,而且解析效率非常高。
  • tesserocr:一个 OCR 库,在遇到验证码(图形验证码为主)的时候,可直接用 OCR 进行识别。

存储库:Python 与数据库交互

爬虫框架

  • Scrapy:很强大的爬虫框架,可以满足简单的页面爬取(比如可以明确获知url pattern的情况)。用这个框架可以轻松爬下来如亚马逊商品信息之类的数据。但是对于稍微复杂一点的页面,如 weibo 的页面信息,这个框架就满足不了需求了。
  • Crawley:高速爬取对应网站的内容,支持关系和非关系数据库,数据可以导出为 JSON、XML 等。
  • Portia:可视化爬取网页内容。
  • newspaper:提取新闻、文章以及内容分析。
  • python-goose:java 写的文章提取工具。
  • cola:一个分布式爬虫框架。项目整体设计有点糟,模块间耦合度较高。

Web 框架库

  • flask:轻量级的 web 服务程序,简单,易用,灵活,主要来做一些 API 服务。做代理时可能会用到。
  • django:一个 web 服务器框架,提供了一个完整的后台管理,引擎、接口等,使用它可做一个完整网站。

Re库的基本使用

Re库介绍

  • Re库是Python的标准库,主要用于字符串匹配。
  • 调用方式:import re

正则表达式的表示类型:

raw string类型(原生字符串类型):

  • re库采用raw string类型表示正则表达式,表示为:r’text’
  • 例如:r’[1-9]\d{5}’
  • raw string是指不包含转义符的字符串
  • string类型,更繁琐。
  • 例如:‘[1-9]\d{5}’;‘\d{3}-\d{8}|\d{4}-\d{7}’

当正则表达式包含转义符时,建议使用raw string类型来表示正则表达式。

Re库主要功能函数:

函数

  • 说明 re.search()
  • 在一个字符串中搜索匹配正则表达式的第一个位置,返回match对象 re.match()
  • 从一个字符串的开始位置起匹配正则表达式,返回match对象 re.findall()
  • 搜索字符串,以列表类型返回全部能匹配的字符串 re.split()
  • 将一个字符串按照正则表达式匹配结果进行分割,返回列表类型 re.finditer()
  • 搜索字符串,返回一个匹配结果的迭代类型,每个迭代元素是match对象 re.sub()
  • 在一个字符串中替换所有匹配正则表达式的子串,返回替换后的字符串
    re.compile() 返回的是一个匹配对象,它单独使用就没有任何意义,需要和findall(), search(), match()搭配使用。
re.search(pattern,string,flags=0)
 
    在一个字符串中搜索匹配正则表达式的第一个位置,返回match对象。
 
        pattern:正则表达式的字符串或原生字符串表示
 
        string:待匹配字符串
 
        flags:正则表达式使用时的控制标记
 
            re.I(re.IGNORECASE):忽略正则表达式的大小写,[A-Z]能够匹配小写字符
 
            re.M(re.MULTILINE):正则表达式中的^操作符能够将给定字符串的每行当作匹配开始
 
            re.S(re.DOTALL):正则表达式中的.操作符能够匹配所有字符,默认匹配除换行外的所有字符****!!!!****
 
                      
 
re.match(pattern, string, flags = 0)
 
    从一个字符串的开始位置起匹配正则表达式,返回match对象。
 
        pattern:正则表达式的字符串或原生字符串表示
 
        string:待匹配字符串
 
        flags:正则表达式使用时的控制标记
 
                        
 
re.findall(pattern, string, flags = 0)
 
    搜索字符串,以列表类型返回全部能匹配的子串。
 
        pattern:正则表达式的字符串或原生字符串表示
 
        string:待匹配字符串
 
        flags:正则表达式使用时的控制标记
 
                        
 
re.split(pattern, string, maxsplit = 0, flags = 0)
 
    搜索字符串,以列表类型返回全部能匹配的子串。
 
        pattern:正则表达式的字符串或原生字符串表示
 
        string:待匹配字符串
 
        maxsplit:最大分割数,剩余部分作为最后一个元素输出
 
        flags:正则表达式使用时的控制标记
 
                        
 
re.finditer(pattern, string, flags = 0)
 
    搜索字符串,返回一个匹配结果的迭代类型,每个迭代元素是match对象。
 
        pattern:正则表达式的字符串或原生字符串表示
 
        string:待匹配字符串
 
        flags:正则表达式使用时的控制标记
 
                           
 
re.compile()
 
compile()的定义:
 
    compile(pattern, flags=0) 
    Compile a regular expression pattern, returning a pattern object.compile()函数的定义中,可以看出返回的是一个匹配对象,它单独使用就没有任何意义,需要和findall(), search(), match()搭配使用。 
compile()与findall()一起使用,返回一个列表。
 
    import re
     
    def main():
        content = 'Hello, I am Jerry, from Chongqing, a montain city, nice to meet you……'
        regex = re.compile('\w*o\w*')
        x = regex.findall(content)
        print(x)
     
     
    if __name__ == '__main__':
        main()
    # ['Hello', 'from', 'Chongqing', 'montain', 'to', 'you']
 
 
compile()match()一起使用,可返回一个classstrtuple。但是一定需要注意match(),从位置0开始匹配,匹配不到会返回None,返回None的时候就没有span/group属性了,并且与group使用,返回一个单词‘Hello’后匹配就会结束。
 
    import re
     
    def main():
        content = 'Hello, I am Jerry, from Chongqing, a montain city, nice to meet you……'
        regex = re.compile('\w*o\w*')
        y = regex.match(content)
        print(y)
        print(type(y))
        print(y.group())
        print(y.span())
     
     
    if __name__ == '__main__':
        main()
    # <_sre.SRE_Match object; span=(0, 5), match='Hello'>
    # 
    # Hello
    # (0, 5)
 
compile()与search()搭配使用, 返回的类型与match()差不多, 但是不同的是search(), 可以不从位置0开始匹配。但是匹配一个单词之后,匹配和match()一样,匹配就会结束。
 
 
 
re.sub(pattern, repl, string, count = 0, flags = 0)
 
    在一个字符串中替换所有匹配正则表达式的子串,返回替换后的字符串。
 
        pattern:正则表达式的字符串或原生字符串表示
 
        repl:替换匹配字符串的字符串
 
        string:待匹配字符串
 
        count:匹配的最大替换次数
 
        flags:正则表达式使用时的控制标记

此外我这里准备了详细的Python资料,除了为你提供一条清晰的学习路径,我甄选了最实用的学习资源以及庞大的实例库。短时间的学习,你就能够很好地掌握爬虫这个技能,获取你想得到的数据。

01 专为0基础设置,小白也能轻松学会

我们把Python的所有知识点,都穿插在了漫画里面。

在Python小课中,你可以通过漫画的方式学到知识点,难懂的专业知识瞬间变得有趣易懂。
Python 网络爬虫的常用库汇总(建议收藏)_第1张图片
Python 网络爬虫的常用库汇总(建议收藏)_第2张图片
你就像漫画的主人公一样,穿越在剧情中,通关过坎,不知不觉完成知识的学习。

02 无需自己下载安装包,提供详细安装教程

Python 网络爬虫的常用库汇总(建议收藏)_第3张图片

03 规划详细学习路线,提供学习视频

Python 网络爬虫的常用库汇总(建议收藏)_第4张图片
Python 网络爬虫的常用库汇总(建议收藏)_第5张图片

04 提供实战资料,更好巩固知识

Python 网络爬虫的常用库汇总(建议收藏)_第6张图片

05 提供面试资料以及副业资料,便于更好就业

Python 网络爬虫的常用库汇总(建议收藏)_第7张图片
Python 网络爬虫的常用库汇总(建议收藏)_第8张图片
这份完整版的Python全套学习资料已经上传CSDN,朋友们如果需要也可以扫描下方csdn官方二维码或者点击主页和文章下方的微信卡片获取领取方式,【保证100%免费】
Python 网络爬虫的常用库汇总(建议收藏)_第9张图片

你可能感兴趣的:(python,爬虫,开发语言,职场和发展,学习,大数据,数据分析)